7M06112 Технологии искусственного интеллекта в ЕНУ им. Л. Н. Гумилева

Дисциплина направлена на изучение механизмов порождения и распознавания формальных языков: рассматриваются формальные грамматики для порождения регулярных, контекстно-свободных и вероятностных языков, а также даются конечные, стековые и вероятностные автоматы для разпознавания этих языков.

Дисциплина направлена на изучение инструментальных средств проектирования онтологии. Дисциплина позволит изучить критерии выбора наиболее подходящего инструментального средств для проектирования онтологий. Уметь использовать инструментальное средство для разработки онтологии.

Изучение дисциплины позволит получить знания о теоретических основах педагогической теории и педагогического мастерства, управлении учебно-воспитательным процессом для преподавания в высшей школе, даст представление об основных категориях педагогики, о месте, роли и значении педагогики высшей школы в системе наук о человеке и в практической деятельности педагога.

Дисциплина направлена на изучение вычислительных моделей алгоритмов для решения различных задач, дать представление и понимание основных направлений развития теории алгоритмов; формировании знаний и практических навыков для программирования и дальнейшего изучения языков программирования. Дисциплина позволит изучить применяемые на практике вычислительные модели их особенности (машины Тьюринга, Поста, рекурсивные функции, нормальные алгорифмы Маркова и др.).

Дисциплина предназначена для изучения различных методов и моделей машинного обучения, предназначенных для решения задач кластеризации, классификации и регрессии, и их применения для решения прикладных задач, таких как распознавание образов и речи, медицинский диагноз, прогнозирование, классификация, статистический арбитраж, извлечение информации.

Необходимость обучения данного курса обусловлена тем, чтобы магистранты имели целостное представление об основных подходах и принципах современной психологической науки, основных методах исследования психических процессов, состояний и свойств личности, механизмов регуляции деятельности, закономерности поведения личности и группы, которые могут быть полезными в профессиональной деятельности специалистов высшей квалификации.

Дисциплина направлена на изучение многообразных подходов, методов, принципов и инструментов обработки структурированных и неструктурированных данных в огромных объемах и эффективного получения результатов.

Дисциплина «История и философия науки» создает у магистрантов культуру научного мышления, развивает аналитические возможности и способности исследовательской работы.

Целью дисциплины - «Иностранный язык (профессиональный)» является формирование межкультурно-коммуникативной компетенции магистрантов неязыковых специальностей в процессе иноязычного образования на уровне сверхбазовой стандартности (С1). Курс предусматривает овладение нормами академического письма, развитие навыков критического анализа, подготовки научных обзоров, аннотаций, составления рефератов и библиографий по тематике проводимых исследований

Дисциплина направлена на изучение cтатистических методов обработки естественного языка. Обработка речевых сигналов. Классификация методов обработки в частотной, временной и частотно-временной областях, применяемых в задачах фильтрации, сегментации, определения и распознавания речевых сигналов

Дисциплина направлена на изучение признаков интеллектуальности информационных систем; современных информационных технологии, обеспечивающих свойств интеллектуальности; основных классов интеллектуальных информационных систем: экспертные системы, системы с интеллектуальным интерфейсом, самообучающиеся и адаптивные системы, особенности проектирования технологии и инструментальные и средств разработки интеллектуальных информационных систем. Магистранты приобретут навыки разработки интеллектуальных информационных систем.

Дисциплина ориентирована на изучение современных языков программирования обработки данных: Python, который является хорошим вариантом для обработки и анализа данных, также программные пакеты как pandas, scikit-learn и Tensorflow, делают Python надежным вариантом для современных приложений в области машинного обучения; R, который отличается наличием огромного выбора приложений для сбора статистических данных и визуализации данных, и подходит для статистических исследований и науки о данных.

Дисциплина знакомит магистрантов с основными направлениями в разработке алгоритмов машинного обучения для прикладного анализа больших массивов данных и закладывает необходимую теоретическую базу для разработки новых алгоритмов машинного обучения, применимых для анализа больших данных на практике. Магистранты приобретут навыки применения изученных методов машинного обучения при решении реальных практических задач и разработке инструментальных средств анализа данных.

Дисциплина предназначена на формирование базовых знаний в области компьютерной обработки речевой и аудио, видео информации как дисциплины, обеспечивающей технологические основы современных инновационных сфер деятельности. Рассматривает принципы решения задач обработки (цифровой обработки, анализа, распознавания) естественной речи на основе методов машинного обучения и распознавания образов.

Целью дисциплины является ознакомить магистрантов с основными принципами и методами применения аппарата мягких вычислений для решения различных прикладных задач, возникающих в программировании, а также при разработке и использовании современных информационных технологий. Изучать основные понятия теории нечетких множеств, основы нечеткой логики и нечетких вычислений, строить нечеткие модели для прикладных задач, выбирать методы нечеткого моделирования применительно к информационным технологиям.

Дисциплина ориентирована на изучение интерпретация основных лингвистических объектов и единиц анализа, методов, необходимые для создания отдельных подсистем, отвечающих за анализ текстов на естественном языке. Рассматриваются вопросы анализа тональности и тематического моделирования текстов, извлечения информации из текстов

Дисциплина направлена на изучение существующих подходов и методов разработки алгоритмов для машинного обучения, чтобы решать задачи классификации, кластеризации, регрессии и прогнозирования. Магистранты приобретут навыки разработки алгоритмов для проектировапния на основе машинного обучения приложений обработки естественных языков, распознавания речи, компьютерного зрение, онлайновых рекомендательных систем, биоинформатики, видеоигр и др.

Необходимость обучения данной дисциплины обусловлена тем, чтобы магистранты должны должны владеть теоретическими знаниями основных этапов процесса принятия решений; многокритериальной модельи принятия решений и принцип Парето; структурного анализа множества критериев; принятии решений в условиях неопределенности и риска; лингвистического подхода к принятию решений; классификации систем поддержки принятия решений; архитектуры, представление информации которые обязательны в профессиональной деятельности в области искусственного интеллекта.

Дисциплина позволяет изучить архитектуру и методы проектирования систем искусственного интеллекта, системы распознавания образов, вопросы адаптации, обучения и самообучения систем ИИ, персептроны, методы и алгоритмы анализа структуры многомерных данных, алгоритмические модели, базовые понятия экспертных систем и т.д. Магистранты приобретут навыки проектирования и создания систем искусственного интеллекта.

Дисциплина позволит изучить возможности применение ИИ для управления проектами: создание виртуального помощника руководителя проекта, для автоматизации распределения задач и ресурсов; аналитика по проекту (выявления рисков срыва сроков); автоматический подбор оптимальной команды проекта, оценивание качества плана разработки программного продукта (ресурсы, сроки, риски), корректировка плана разработки программного продукта, проверка соответствия нормативным техническим документам.

Дисциплина ориентирована на изучение основных понятий теории нечетких множеств, основ нечеткой логики и нечетких вычислений, построение нечетких моделей для прикладных задач, выбор методов нечеткого моделирования применительно к информационным технологиям. Рассматривается основные понятия теории нечетких множеств и нечеткой логики; нечеткие операции; типы нечетких продукционных моделей: лингвистическая, реляционная, TS; базы знаний нечетких моделей и их свойства; алгоритмы нечеткого логического вывода; применение нейронных сетей в нечетком моделировании; нечеткое управление.

Дисциплина направлена на изучение методов обработки текстового корпуса. Анализ текста для выделения высокочастотных, среднечастотных и низкочастотных терминов. Методы автоматического подбора, разметки, анализа текстов и выявление соответствий. Организация поиска: простого графического написания, по лемме, по грамматической категории, по пунктуации, по части слова. Применение современных методов корпусной лингвистики при анализе текста. Создание, настройка и анализ новых подкорпусов текста.

Анализировать основные мировоззренческие и методологические проблемы, в т.ч. междисциплинарного характера, исследуемые в науке на современном этапе ее развития и использовать результаты в профессиональной деятельности.

Владеть современными педагогическими технологиями и обладать коммуникативными способностями.

Применять вычислительные модели для обработки и анализа больших данных в искусственном интеллекте

Проводить исследования и делать из них обоснованные выводы, интегрировать научные знания из различных областей

Выбирать алгоритмы для обработки данных путем машинного обучения; выбирать язык программирования для реализации программы; применять разработанные технологии для машинного обучения и разрабатывать программные средства для анализа данных

Применять методологии управления проектами разработки программного обеспечения; проектировать и создавать системы искусственного интеллекта; обосновать модели и методы, исползуемые для принятия решений

Применять методы машинного обучения при разработке систем для решения задач по анализу данных; определять и классифицировать данные, оценить взаимосвязь между данными для решения задач по их обработке; анализировать большие массивы данных с целью подбора наиболее оптимального алгоритма обучения

Исследовать методы разработки алгоритмов для обработки естественного языка; разрабатывать приложения для проведения семантического, синтаксического, морфологического анализа естественного языка; сравнивать и анализировать эффективность применения разработанных алгоритмов